Optimizing energy consumption in OpenStack infrastructures using neural networks

In the last years, digital infrastructures with a high environmental impact have been increasingly used, both by privates and, to an even greater degree, by enterprises. As such, they have become hugely widespread. As a consequence, many scientists have been dedicating their research not only to the study and the design of efficient computer architectures, but also to the implementation of algorithms for "environmentally friendly" technologies. Our work is aimed to support an ecologically and economically sustainable IT. We focused on the behaviour of servers that form the infrastructure of a cloud architecture, and performed a modification to the code of OpenStack, one of the most well-known software platforms for cloud-computing. The ultimate aim of our study was to minimize the energy consumption, showed by the physical machines available to a service provider: for this purpose, we used an optimized scheduling process over the virtual machines launched by a user. The strategy we suggest to support the consumption reduction (measured in watts) of switched-on computers/servers, relies on the use of a neural network. This, placed inside the OpenStack scheduler, can analyse the huge number of variable parameters of the system and will be able to choose the optimal configuration of physical machines for the assignment of a launched instance. In order to collect the large number of tests later to be used to train the neural network, we created a simulation algorithm; in particular, such algorithm is based on real data experimentally obtained, launching a priori known virtual machines and observing the changes in energy consumption. This initial data acquisition phase was fully automated. Later, we designed an algorithm which would record the error percentage in the outputs selected by the ANN. This allowed us to actually test how strong and reliable the obtained results were. At last, we compared the result achieved by our algorithm with that of a standard scheduler lacking a specific configuration for energy management and consumption reduction. In the very final part of the dissertation, we showed some possible future developments about the topic.

Dato il crescente utilizzo e la conseguente vasta diffusione di infrastrutture digitali ad alto impatto ambientale, sia nell'ambito privato che, in misura maggiore, in quello aziendale, la progettazione di architetture informatiche efficienti e la realizzazione di algoritmi per tecnologie "environmentally friendly", ha attirato l'attenzione di moltissimi studiosi negli ultimi anni. Il lavoro che abbiamo svolto si pone l'obiettivo di supportare un'informatica ecologicamente ed economicamente sostenibile. Abbiamo basato il nostro studio sull'analisi del comportamento dei server che costituiscono l'infrastruttura di un'architettura cloud, modificando il codice di Openstack, una delle più note piattaforme software per il cloud-computing. In particolare, lo scopo finale è quello di minimizzare il consumo energetico delle macchine fisiche a disposizione del fornitore di servizi, utilizzando un meccanismo ottimizzato di schedulazione iniziale delle macchine virtuali lanciate da un utente. La strategia proposta per supportare la riduzione del consumo in Watt dei server accesi si basa sull'utilizzo di una rete neurale, inserita all'interno dello scheduler di Openstack, che analizzi i molteplici parametri variabili del sistema e scelga la migliore configurazione di macchine fisiche per l'assegnazione di un'istanza lanciata. Per collezionare un ingente numero di test da utilizzare per il train della rete neurale, abbiamo creato un algoritmo di simulazione, basato su dati reali ottenuti sperimentalmente lanciando macchine virtuali predefinite e calcolando le conseguenti variazioni di consumo energetico. Questa fase iniziale di acquisizione dati è completamente automatizzata. Per testare l'effettiva validità dei risultati ottenuti, abbiamo creato un algoritmo per il controllo della percentuale di errore negli output scelti dall'ANN ed, in conclusione, abbiamo confrontato i risultati, ottenuti con il nostro esperimento, con quelli di uno scheduler standard non configurato per la gestione energetica e la riduzione del consumo dell'intera infrastruttura. Nella parte finale dell'elaborato abbiamo presentato alcuni possibili sviluppi futuri correlati con lo studio svolto.